面向横向联邦学习的基于对抗学习的数据价值保护方法

本发明提出一种面向横向联邦学习的基于对抗学习的数据价值保护方法，旨在防止模型被非法迁移至非授权任务中使用。该方法包括：客户端本地提取中间特征，将其输入主任务分类器和多个对抗任务分类器；通过引入梯度反转层，使特征提取器在训练中增强对主任务的识别能力，同时削弱对非授权任务的泛化能力；构建复合损失函数并通过动态权重调整，实现各任务间的优化平衡；最后在联邦学习框架下进行模型参数聚合与迭代更新。该方法在不影响主任务性能的前提下，有效限制模型对敏感属性的学习能力，从而抑制数据价值的非预期泄露，提高模型的安全性与专用性。